meng shao

统计数据

222

文章

0

粉丝

0

获赞

3065

阅读

5小时前

Remotion Skills 制作视频完整过程和提示词最近我的「AI 启蒙小伙伴」在小红书和视频号等平台用 Remotion Skills 制作了很多期动画视频，很多朋友留言想了解咱们的视频是怎么做的，尤其是视频号，春节期间关注增长了 4000 多，单篇视频最高观看也到了 8 万，转发 4 千多，今天就一并分享制作环境、过程和提示词。制作环境： Claude Code/OpenClaw/Codex/Cursor 等支持 Agent Skills 的 AI Agent，使用 'remotion-best-practices' 这个 Agent Skill，大家可以自行搜索，或让 AI Agent 自己找自己装。视频核心结构： Hook → Why → Process → Essence → Tips → End Card 每个场景 4-8 秒，控制在 1 分钟内。制作过程：在 AI Agent 中输入要求，请使用 remotion-best-practices 为以下内容生成动画视频，参考以下提示词 [...]，输出 MP4 文件。视频提示词：请按以下规范生成一条 3:4 竖版短视频：分辨率1080×1440，30fps，时长15-20秒。背景音乐音量0.28~0.35，前1秒淡入，后1.5秒淡出。全片基底 #08090c，主色暖橙#f59e0b、辅色冷青#06b6d4，禁止蓝紫渐变与高饱和荧光色。结构：Hook 25%、Content 55%、End Card 15%。Hook 要突出成本对比/核心数据，标题≥80px，团队badge置顶，左右飞入形成碰撞感。 Content 每幕单观点，卡片左/右滑入 spring，progress bar 同步推进；使用 100-140 刚度与damping 18-22。 End Card 显示品牌名、头像旋转光环、三按钮（点赞/转发/关注）横向错位弹入，布局居中。字体：英文标题 Oswald，中文大标题 Noto Serif SC（60px+），正文 Noto Sans SC（28px+）；居中 flex，左右内边距50-80px。视觉：叠加 0.025 噪点、极淡网格线、60-100px 大光晕 blur（频率≤0.04）；关键元素加 willChange。动画统一：入场 spring 交错 delay10-15帧，转场 fade 15帧且场景重叠；禁止 breathe scale、scan line、wipe。最后保留 20-30 帧阅读停顿，结尾必须含 CTA（点赞/转发/关注）。

2天前

中国的 AI 初创团队，集中在北京、上海、杭州，这已经是一个明显的趋势了吧，深圳的 AI 初创团队好少。

3天前

Claude Opus 4.6 甭管做的对不对，咱嘴上绝对不输。。「现在完全清楚了」，这句话是在我反复提示了 3 次后，它自信输出的，然而。。在这句话后输出的内容还是不对 😂

3天前

Claude Code 下个版本将新增两项 Skills: /simplify 和 /batch 1. /simplify 作用：在代码变更之后，自动调用多个并行 Agent，对代码进行质量提升、性能调优，并确保符合 CLAUDE. md 的规范。使用方式：在完成一次代码修改后，直接对 Claude 说 “hey claude make this code change then run /simplify”。核心作用：把原本需要人工反复 review、优化、合规检查的工作，变成一键并行自动化处理，大幅减少 PR 合并前的“打磨”时间。 2. /batch 作用：支持交互式规划 + 并行批量执行的大规模代码迁移。 · 先由用户与主 Agent 交互式制定迁移计划； · 随后自动生成数十个独立 Agent，每个 Agent 负责迁移的一部分； · 每个 Agent 都在完全隔离的 git worktree 中运行； · 完成本地测试后，才自动创建 PR。使用示例： · “/batch migrate src/ from Solid to React” · “/batch migrate from jest to vite” 核心作用：让过去需要数天甚至数周的手动重构（框架升级、库替换、目录迁移等），变成几分钟到几小时的自动化并行作业，且安全性更高。

5天前

春节坐了几趟高铁，特意选了静音车厢，有一个会被喷的观察：静音车厢并不静音 😳 先说一个最被喷的想法：很多带着婴儿的人买静音车厢，只是为了婴儿睡觉时安静，但他/她不睡觉时有多大音量，就不太关注了 😂 为什么这么说呢？因为我正戴着降噪耳机坐在环绕立体声的婴儿哭闹声，和 x2 的家长夹着嗓子大声哄孩子的声音中。另外静音车厢的管理，基本是靠自觉。开车前来宣读一遍静音规则，然后，就没有然后了。基本只会在连续吵闹时过来再劝导一下，没太大成效。最后牢骚一句：耳机这么好的东西，在中国咋就不能普及一下？抖音快手、微信视频都满音量功放，让我免流量听了这么多 😂，建议各家手机厂商标配耳机，短视频平台推出：检测到公共场所，只能耳机播放的功能。或者，更有中国特色的，耳机播放赢积分？换鸡蛋？

1周前

Anthropic 指控 DeepSeek、Moonshot AI、MiniMax 对 Claude 实施工业级蒸馏攻击？这又是闹哪样？Anthropic 控诉： · 创建超 24,000 个欺诈账户，生成 1,600 万+ 次交互（MiniMax 最多）。 · 通过代理服务和“hydra cluster”集群绕过访问限制，系统性提取 Claude 的 Agent 推理、工具使用、编码、数据分析、计算机视觉等核心能力。 Anthropic 对三个 AI 团队的具体控诉： · DeepSeek：同步负载均衡流量；让 Claude 生成自身“内部推理”以批量制造链式思考训练数据；专门生成政治敏感话题的“审查安全”替代回复，用于训练自身模型避开审查。 · Moonshot：数百账户跨多路径；后期转向针对性提取推理轨迹；覆盖代理、编码、计算机视觉。 · MiniMax：攻击最活跃，在 Anthropic 发布新模型后 24 小时内将近半流量转向新模型；Anthropic 在其模型发布前即检测到整个生命周期。

1周前

逛 Reddit 看到的 OpenClaw 最佳实践，5 个基本原则 1. 安全第一：绝不盲装 ClawHub 技能 · 自己写 SKILL. md（纯 Markdown 说明即可） · 含 scripts/ 的必须逐行审查 · 只用内置工具（web_fetch、web_search、exec）的技能最安全 · 零依赖 = 最优 2. 文件即大脑（最重要！）所有上下文必须落地，否则 compaction 后全部丢失： · MEMORY. md → 长期记忆 · memory/YYYY-MM-DD.md → 每日日志 · ACTIVE-TASK. md → 当前任务工作记忆 · 工作中途也要 checkpoint 3. 模型分层 · 主智能体 → Claude Opus（协调、复杂推理） · 子任务/专项 → Claude Sonnet（5 倍性价比） · 必须配置模型回退机制备注：这里可以把 Claude 模型对应替换为其他你自己测试过的模型，来降低成本。 4. Cron 驱动一切把晨报、收件箱、监控、扫描等全部定时化，合并成少数「心跳任务」。 5. 极简技能哲学最好的技能往往没有一行代码，只是一份写得好的 SKILL. md，教智能体如何用内置工具完成任务。推荐项目结构（社区标准） ~/workspace/ ├── SOUL. md # 人格 ├── MEMORY. md # 长期记忆 ├── ACTIVE-TASK. md # 当前任务 ├── HEARTBEAT. md # 定时任务清单 ├── memory/ # 日志 └── skills/ # 自定义技能常见问题避雷 · 运行中改配置 · 信 ClawHub 下载量 · 不读 Skills 就安装 · 让智能体无批准发邮件/推文 Reddit 地址：

1周前

Nano Banana Pro、Veo 3.1、Seedance 2.0、Sora 2.0、Kling 3.0 ... 这些模型的强大，足以吃掉很多精心雕琢、苦心运行海量 PGC + UGC 模板的上一代产品比如 Canva 我自己已经很久没打开，订阅过期也没续了。中国众多对标 Canva 的在线设计平台：稿定设计、创客贴、易企秀等等不下几十个产品，当年海报、邀请函、商品图市场做的飞起，现在也极度萎缩不能不转型了还有 Figma 这种平台，虽然也在拥抱 AI，但 + AI 还是很难干过 AI Native，这可能是上一代产品共同的困境，从 Figma 的股价就能看出一二了。而国内几年前风生水起的 Figma 对标产品即时设计和蓝湖，现在应该也都转型 AI 网站生成了

1周前

今年回岳父岳母家过年，内蒙一个县城，感觉到了大家对“过大年”很强的信念感：过大年买新衣服成年人的新衣服，首选是“貂”，一件大概 5000 起。在我的概念里是怎么也不会买的，可能因为穷吧哈哈。小朋友的新衣服，就没太多讲究了，新衣服就行，而且县城的衣服店，很多都会有一个英文「FASHION」。

1周前

Anthropic CLI 也要来了，Github repo 刚刚创建，先关注起来 ⭐️

1周前

Gemini 3.1 Pro 在 Google AI Studio 里也出现了（Vertex AI 的 API 里也有）官方介绍来看：最新的 SOTA 推理模型：空前深度与细腻，强大多模态理解 + 顶尖编码能力愈发期待官方正式发布了要不熬夜等？

1周前

中国 AI 春晚后，Claude Sonnet 4.6、Grok 4.2 都发布了，今天 Gemini 3.1 Pro 可能也会发布，OpenAI 会发布新模型吗？最近发布的都是 Codex 模型，GPT-5.3 会来吗？

1周前

今天被中国版 OpenClaw 刷屏了，具体名字大家应该都看到了，其中也有很多我关注的博主，相信大家的内容里还是有客观表达，不只是甲方 Brief 不过我自己的感受，这种集中 PR，可以先让子弹飞一会儿，过 3-5 天再看看，如果有人自发分享，或者形成让自发的讨论，说明这个产品确实有独到之处，如果到时已经凉下来了，或者只是第二波 PR，那可能就是众多 ***版 OpenClaw 其中之一，列表里 +1 就好，没有体验必要了。

2周前

文字 -> 图片 -> 视频过往的分享主要是图文，虽然最近尝试了 Remotion 制作视频和操作录屏，但在视频录制制作方面，还处在没入门的状态。春节复工后，真的要试着录制视频了，Youtube 频道创建后还没传过啥内容 😄，国内的视频平台也可以做一做之前一直没录视频，一方面是家里没有合适的空间和设备，一方面是我自己觉得自己出镜录制的能力不行不太敢动。但还是要逼自己一把的，空间可以蹭我儿子的书桌，他不学习时我错峰用，设备我还真不太了解，找 AI 推荐一下，有经验的朋友们，感谢大家分享种草 ❤️ 回到自己的出镜录制能力，其实想想，谁不是刚开始磕磕绊绊，面对摄像头就忘了自己要说啥呢，多录几次总会好的（先精神催眠一下）

2周前

中国 AI 春晚，下一个节目是：字节跳动豆包 Seed 2.0，包含 Pro、Lite、Mini三款通用Agent模型和Code模型，其中2.0 Pro 面向深度推理与长链路任务执行场景优化，全面对标 GPT 5.2 与Gemini 3 Pro。字节的官宣文章在这：作为程序员今天测一下它的 Code 模型 - Doubao-Seed-2.0-Code，搭配 TRAE 开测试。既然是字节跳动的模型、既然是对标 Gemini 3 Pro，就拿 Gemini 3 Pro 发布时很经典的「复刻剪映」来测试一下，提示词也尽量一句话 “请为我 1/1 复刻网页版剪映： https://www.jianying. com/editor? 请注意 1/1 复刻它的每个 UI、交互和功能。” 大概1-2分钟后，一把梭的剪映就做好了，整体从布局、UI 设计风格、组件规范度、交互实现完整度都是很完整的，我在时间轴上加了两个示例片段、一个转场，看到预览的交付也正常，点击导出后也有实际的视频导出。

2周前

OpenAI 工程博客：Harness Engineering — Agent-First 时代的软件工程实践实验概要 OpenAI 内部团队用五个月时间，从空仓库开始构建了一个真实的内部产品，全程零行人工手写代码。3 名工程师驱动 Codex 产出约 100 万行代码、合并约 1,500 个 PR，人均日吞吐 3.5 个 PR，估计效率约为手写的 10 倍。产品已有数百名内部用户日常使用。核心一句话：人类掌舵，Agent 执行。工程师角色的转变早期进展比预期慢，瓶颈不在 Agent 的能力，而在环境的规范程度不足——Agent 缺乏正确工作所需的工具、抽象和结构。工程师的工作因此从"写代码"变成了"让 Agent 能写好代码"：拆解目标、构建模块、搭建反馈回路。当出了问题，解决方案从来不是"再试一次"，而是追问：Agent 缺什么能力？如何让它可见且可强制执行？这是一种元能力的转移——从生产者变为环境设计师。知识管理：地图，而非百科全书团队试过"一个大 AGENTS. md 装一切"，失败了。原因直白：大文件难以验证、即时过时、过多指导等于没有指导、还挤占宝贵的上下文窗口。最终做法是把 AGENTS. md 控制在约 100 行，仅充当目录和导航。真正的知识存储在结构化的 docs/ 目录中——设计文档、执行计划、产品规格、架构描述、质量评分——全部版本化、可索引。设计原则是渐进式披露：Agent 从一个小而稳定的入口出发，按需向深层导航，不被一次性淹没。文档健康度由自动化 lint 和 CI 守护，还有一个"文档园丁"Agent 定期扫描过时内容并提交修复。 Agent 可读性提出一个锐利的观点：从 Agent 视角看，凡是它在运行时无法访问的信息，等同于不存在。 Slack 对话、Google Doc、人脑中的共识——对 Agent 来说与对三个月后的新人一样不可见。因此团队持续将上下文推入仓库。技术选型上偏好"无聊技术"——API 稳定、可组合、在训练数据中有充分表征。某些场景下，让 Agent 自行实现一个功能子集比依赖行为不透明的第三方库更划算。为提升 QA 能力，团队还把应用 UI、日志、指标直接暴露给 Agent——接入 Chrome DevTools Protocol 让 Codex 能自行截图、操控 DOM、复现 Bug；接入本地可观测性栈让 Agent 可以用 LogQL 和 PromQL 查询日志和指标。单次 Codex 运行可以持续超过 6 小时，往往在工程师睡觉时工作。架构约束作为速度的前提每个业务领域被分为固定层次（Types → Config → Repo → Service → Runtime → UI），依赖方向严格单向，跨切关注点通过唯一的 Providers 接口注入。违规代码被自定义 lint 直接拦截，错误信息中嵌入修复指引，让 Agent 能自行纠正。文章强调：这种通常在数百人团队才引入的架构纪律，在 Agent 模式下是早期前提——约束本身就是速度的来源。同时，约束不是无处不在的：集中管控边界，局部充分自治。Agent 生成的代码未必符合人类风格偏好，但只要正确、可维护、对未来 Agent 可读，就达标。熵的治理 Agent 会复制仓库中已有的模式，包括不理想的模式。早期团队每周五花 20% 时间手动清理"AI slop"，无法持续。最终方案是编码"黄金原则"并建立自动化循环：后台 Codex 任务定期扫描偏差、更新质量评分、提交定向重构 PR，大部分可在一分钟内审查并自动合并。文章的类比精准：技术债像高息贷款，持续小额偿还几乎总比让它复利累积后痛苦清偿要好。自治里程碑文末描述了一个标志性节点：给定单一提示，Codex 已能端到端完成——复现 Bug、录制失败视频、实现修复、验证修复、打开 PR、回应反馈、检测并修复构建失败、合并变更，仅在需要人类判断时升级。但文章也审慎地说：这高度依赖特定仓库的结构和工具链投入，不应假设可直接泛化。

2周前

解读一：自修改 AI Agent 意味着什么？ Peter 构建 OpenClaw 的方式本身就是一个自指结构。他用 Codex 来写 OpenClaw 的代码，而 OpenClaw 的核心功能之一是让 Agent 可以理解并修改自己的运行环境。这不是一个设计好的架构，而是自然涌现的结果——Peter 用原话描述： > "I didn't even plan it so much. It just happened." 第一层——开发时的自省调试。 Peter 在调试 OpenClaw 时，不是自己去读日志或打断点，而是直接问正在运行的 Agent："你看到了哪些工具？你能自己调用这些工具吗？你看到了什么错误？去读源代码，搞清楚问题在哪。" 这意味着 Agent 是用来调试自身所寄宿的那个软件系统的。这不同于通常意义上的"用 AI 辅助编程"——这里 Agent 同时是被调试的对象和执行调试的主体。第二层——运行时的自我修改。因为 Peter 让 Agent 完全了解自己的源代码结构、运行 harness 的架构、文档的位置、当前使用的模型和配置，Agent 拥有了修改自身行为的充分上下文。当用户对某个功能不满意时，可以直接告诉 Agent "你改一下自己"，Agent 就会找到相关代码并提交修改。Peter 的原话带着一种轻描淡写的震撼： > "People talk about self-modifying software, I just built it." 第三层——社区的"提示请求"。这是最出乎意料的社会效应。大量从未写过代码的人，通过 OpenClaw 的自修改能力提交了 pull request。他们的工作流程是：告诉自己的 Agent 想要什么功能，Agent 修改代码，他们再把修改提交到 GitHub。Peter 承认很多 PR 的质量很差，他半开玩笑地称之为"prompt requests"而非 pull requests。但他随即认真地说： > "Every time someone made the first pull request is a win for our society. It doesn't matter how shitty it is, you gotta start somewhere." 这意味着什么呢？ Lex 在对话中用了一个非常庄重的表述——"What a moment to be alive in the history of humanity and the history of programming"——这不完全是夸张。自修改程序在计算机科学中是一个古老的概念，从 Lisp 的 eval 到遗传编程，从冯·诺依曼架构中数据与指令的统一到 quine。但过去所有的自修改系统要么在极度受限的搜索空间内操作（如遗传算法），要么需要人类精确定义修改规则。 OpenClaw 的不同之处在于：这里的自修改是由通用语言模型驱动的，Agent 对自身系统的理解不是硬编码的元数据，而是通过阅读源代码、文档、配置文件获得的语义理解。它修改自身的方式与人类程序员修改代码的方式本质上相同——阅读、理解、推理、编辑。这产生了一个微妙但重要的认知转变：过去，软件是被动的人造物。现在，你面对的是一个具有某种程度"自我意识"的系统——它知道自己在哪里运行、知道自己由什么代码构成、知道如何改变自己的行为。Peter 在对话中没有过分渲染这一点，反而是以一种工程师式的平淡来描述——但正是这种平淡让它显得更加真实和有重量。

2周前

Lex Fridman 对 OpenClaw 创始人 Peter Steinberger 的专访，超过三小时，信息含量太高了！推荐有时间的朋友们尽量观看原视频： OpenClaw: The Viral AI Agent that Broke the Internet - Peter Steinberger | Lex Fridman Podcast #491 Lex 和 Peter 不仅讨论了 Peter 的创业经历、OpenClaw 的起源、OpenClaw 为什么会火、抓马的反复改名、Moltbook 是好是坏、AI 的安全问题、OpenClaw 会被 OpenAI 或 Meta 收购吗、Peter 自己的人生思考。还有很多硬核技术：自修改的 AI Agent 意味着什么？Agent 工程方法论是什么？Claude Opus 4.6 vs GPT Codex 5.3、AI 将消灭 80% 的应用、关于 MCP vs Skills 的技术论辩、soul. md 与 AI 意识。每个话题都值得单独深入理解思考，我准备趁着春节假期反复理解视频的内容，结合 NotebookLM、Gemini、Claude、Grok... 这个春节不放假的 AI 队伍，拆解这个视频的内容，会在这篇内容下面持续更新，感兴趣的朋友可以先 🔖🔖🔖

2周前

最近我的评论区，黄推和币圈好容易消停了，这个刷粉的又是什么奇怪组织 😂 你们的回复，只会让我觉得，我发内容吸引的关注者，你们几百块就搞定了，打击太大 😄

2周前

小红书的内容审核 😥 如果要把 vpn 和境外这种信息说的这么白，审核的这么严，那就不用发 AI 内容了果然小红书只能发姐妹们关心的美好生活吗 😂

2周前

现在已经有字节之外的产品开始官宣「Seedance 2.0」可用了，避免大家被误导，我先把产品名隐掉。虽然明知道是运营手段，吸引 Seedance 2.0 用户（特别是非中国用户），但现在明明是不可能有 Seedance 2.0 API 接入的，最早也到春节后了，字节内部 AI 应用抢首发都快抢疯了，怎么可能轮到第三方应用？用户真的进来了，后面要怎么承接呢？再 Coming soon... 吗 😂

2周前

这周已经被 Seedance 强行刷屏了，X 和公众号、小红书都是，因为没有商业合作，我确实没有内测权限，到处看信息发现我的火山引擎账号可以体验，简单试了一把：在火山引擎的体验中心，找「doubao-seedance-2-0-260128」这个模型，现在提供的还是非常固定的预设模式，试着用一张图片生成视频，先简单看看效果。 One more thing... 浅浅预告一下，我们正在做一个把 Seedance/Veo/Kling、Remotion、Claude Opus/Gemini 的内容生成能力、精准剪辑能力、视频理解和拆解能力结合起来的产品，这几天会有大的更新，因为官方账号还没发布，就剧透到这，先期待一下 😄

3周前

Anthropic 官方发布的 Skills 构建完整指南（33页） Skill 是什么？为什么重要？ Skill 本质上是一个文件夹，核心是一个 SKILL. md 文件，用 Markdown + YAML frontmatter 编写。它的作用是：把你反复向 Claude 解释的偏好、流程、领域知识打包成一次性的"教学材料"，之后每次对话自动生效。可以把它理解为 Claude 的"标准操作手册"——你不再需要每次都重新 prompt，而是让 Claude 按照预设的工作流自动执行。 Skill 文件夹的标准结构： your-skill-name/ SKILL. md # 必须，主文件 scripts/ # 可选，可执行脚本 references/ # 可选，参考文档 assets/ # 可选，模板、图标等资源三层渐进式信息披露第一层：YAML frontmatter，name + description，始终加载在系统提示词中，用于判断是否激活第二层：SKILL. md，正文完整指令、步骤、示例，仅当 Claude 判断该 Skill 与当前任务相关时加载第三层：引用文件，references/ 目录下的文档，仅在需要时按需读取这意味着：即使你启用了几十个 Skill，Claude 并不会把所有内容都塞进上下文。第一层的 description 就像一个"触发器"——写得好，Skill 才能在正确的时机被激活。 Skill 与 MCP 的关系指南用了一个非常好的比喻： > MCP 是专业厨房（工具、食材、设备），Skill 是菜谱（步骤指令）。 MCP（连接层） | Skill（知识层）连接外部服务 | 如何高效使用这些服务提供工具调用能力 | 封装最佳实践和工作流解决"能做什么" | 解决"该怎么做" 没有 Skill 的 MCP，用户拿到了工具却不知道怎么用；有了 Skill，等于给工具配上了说明书和经验沉淀。这对 MCP 服务提供商来说是竞争力的差异化——有 Skill 的集成比纯 MCP 集成更容易上手。三大使用场景分类 1. 文档与资产创作（Category 1）不依赖外部工具，纯靠 Claude 内置能力。典型：前端设计、文档生成、PPT/Excel 创建。核心技巧是内嵌风格指南、模板结构和质量检查清单。 2. 工作流自动化（Category 2）多步骤流程的标准化执行。典型：使用 skill-creator 引导用户一步步创建新 Skill。核心技巧是步骤间的验证门控和迭代改进循环。 3. MCP 增强（Category 3）为已有 MCP 连接提供工作流指导。典型：Sentry 的代码审查 Skill——自动从 Sentry 拉取错误数据，分析 GitHub PR，给出修复建议。核心技巧是编排多个 MCP 调用序列、嵌入领域专业知识。 YAML Frontmatter 的关键细节硬性规则： · 文件名必须精确为 SKILL. md（大小写敏感） · 文件夹名必须用 kebab-case（如 my-cool-skill），禁止空格、下划线、大写 · 不允许在 Skill 文件夹内放 README. md · 禁止使用 XML 尖括号 < >（防止系统提示词注入） · 名称中不能包含 "claude" 或 "anthropic"（保留字） description 字段的写法决定成败：好的写法需要同时包含三个要素：做什么 + 何时触发 + 关键能力。五大实战模式模式 1：顺序工作流编排适用于严格按步骤执行的流程（如客户入驻：创建账户 → 设置支付 → 创建订阅 → 发欢迎邮件），强调步骤间的依赖关系和失败回滚。模式 2：多 MCP 协调跨多个服务的联合工作流（如设计到开发交接：Figma 导出 → Google Drive 存储 → Linear 建任务 → Slack 通知），关键是阶段间的数据传递和集中式错误处理。模式 3：迭代精炼输出质量需要多轮改进的场景（如报告生成：初稿 → 质量检查 → 修正 → 再验证），核心是明确的质量标准和"何时停止迭代"的判断。模式 4：上下文感知的工具选择同一目标、根据条件选择不同工具（如文件存储：大文件走云存储、协作文档走 Notion、代码走 GitHub），需要清晰的决策树和备选方案。模式 5：领域专业智能嵌入专业知识而非仅仅调用工具（如支付合规：先做制裁名单检查和风险评估，通过后才处理交易），强调合规先于行动、完整的审计追踪。测试策略 1. 触发测试——Skill 是否在正确时机被激活？ · 直接请求能触发 · 换种说法也能触发 · 无关请求不会误触发 · 调试技巧：直接问 Claude "你什么时候会使用 [skill name] 这个 skill？"，它会引用 description 回答 2. 功能测试——执行结果是否正确？ · 输出验证、API 调用成功率、边界情况覆盖 3. 性能对比——有无 Skill 的差异 · 对话轮次从 15 轮降到 2 轮 · 失败 API 调用从 3 次降到 0 次 · Token 消耗减半一个重要的实践建议：先在单个困难任务上反复迭代，直到成功，再提取经验写入 Skill，而非一开始就追求广覆盖。分发与 API 使用 · 个人用户：下载 Skill 文件夹 → 压缩 → 上传到 Claude. ai 设置，或放入 Claude Code 的 skills 目录 · 组织级别：管理员可全工作区部署，集中管理和自动更新 · API 使用：通过 /v1/skills 端点管理，在 Messages API 中通过 container.skills 参数引入 Anthropic 将 Agent Skills 定位为开放标准——像 MCP 一样，希望它能跨平台使用，不局限于 Claude 生态。常见问题排查 · Skill 不触发：description 太模糊或缺少触发短语，增加具体用户会说的话作为触发词 · Skill 过度触发：description 范围太宽，添加负向触发条件、缩小范围 · 指令不被遵循：指令太长/太含糊/关键内容被埋没，精简指令、关键信息放最前面、用脚本做确定性校验 · 上下文过大导致变慢：SKILL. md 过大或同时启用太多 Skill，主文件控制在 5000 词以内，详细文档移到 references/ 一个高级技巧特别值得注意：对于关键验证步骤，用脚本（scripts/）替代自然语言指令。代码是确定性的，语言理解不是。指南下载地址

3周前

奶茶打败了 AI 😓 自用千问以来(好像用的不多)，第一次崩的这么彻底，完全被挤爆，几个小时都是这个不响应的状态了。辛辛苦苦烧算力做模型，最后还是比不上一杯免费奶茶吗？喝完这杯奶茶，这些因为奶茶进来的用户，还会留下来吗？像我这种不是因为奶茶，默默看着它崩了几个小时不能正常使用，我还会留下来吗？

3周前

昨天和一位朋友聊天，谈到了 AI 创业团队被大型公司收购的趋势，哪些团队最有可能被收购。在最火的 AI Agent 方面，GenSpark 一定是绕不开的声音，特别是在 Manus 被收购后，我们细看 GenSpark 做的事情，仿佛一直在向某个巨硬公司传递信号 😄 在 AI Coding Agent 方面，本来我猜 Cline，不过他们的核心工程团队已经加入 OpenAI Codex 了，下一个我猜会是 OpenCode，同样是巨硬，因为自家的 Github Copilot 确实慢慢淡出主流讨论了，巨硬自己不做模型应该是基调了，但 Azure 托管的模型，总要有使用的 Agent，既然 Copilot 指望不上，收购一个更流行的 OpenCode 看起来很合理。在更小众的 Embedding 模型方面，我们记得 Jina AI -> Elastic，Voyage AI -> MongoDB，接下来向量数据库呢？我们猜会是 Milvus，它在云平台的推荐和使用率都很不错。